XiaoMi-AI文件搜索系统
World File Search System开源
NeuroPycon：一个用于快速多...的开源 Python 工具箱
近年来，神经科学领域出现了大量可重复研究的趋势。不幸的是，这一努力往往受到所用工具种类繁多、项目特定的自定义代码以及难以跟踪所有用户定义参数的挑战。NeuroPycon 是一个开源多模态脑数据分析工具包，它提供基于 Python 的模板管道，用于 MEG、EEG、功能和解剖 MRI 数据的高级多处理，重点是连接性和图论分析。重要的是，它提供可共享的参数文件，以方便复制所有分析步骤。NeuroPycon 基于 NiPype 框架，该框架通过将许多常用的神经成像软件工具包装到一个通用的 Python 环境中来促进数据分析。换句话说，NeuroPycon 并不是一个拥有自己脑信号处理标准算法实现的脑成像软件，而是将现有包（用 Python、Matlab 或其他语言编写）无缝集成到一个统一的 Python 框架中。重要的是，由于 NiPype 提供的多线程处理和计算效率，NeuroPycon 提供了一种快速并行处理的简单选项，这在处理大量多维脑数据时至关重要。此外，其灵活的设计允许用户通过将不同的节点相互连接来轻松配置图形分析管道。每个节点可以是 Python 包装的模块、用户定义的函数或成熟的工具（例如用于 MEG 分析的 MNE-Python、用于图论指标的 Rada 工具等）。最后但并非最不重要的一点是，使用 NeuroPycon 参数文件完整描述任何管道的能力是可重复性的重要特性，因为它们可以共享并用于他人轻松复制。NeuroPycon 的当前实现包含两个互补的包：第一个称为 ephypype，包括用于电生理分析的管道和用于动态管道创建的命令行界面。目前的实现允许 MEG/EEG 数据导入、预处理和清理，通过自动去除眼部和心脏伪影，以及传感器或源级连接分析。第二个包称为 graphpype，旨在通过各种图论指标（包括模块化分区）研究功能连接。本文介绍了该工具包的理念、架构和功能，并通过交互式笔记本提供了说明性示例。NeuroPycon 可通过 github（https://github.com/neuropycon）下载，两个主要包均在线记录（https://neuropycon.github.io/ephypype/index.html 和 https://neuropycon.github.io/graph pype/index.html）。未来的发展包括多模态数据融合（例如 MEG 和 fMRI 或颅内 EEG 和 fMRI）。我们希望 NeuroPycon 的发布能够吸引更多用户和新的贡献者，并且
请求有关可重新配置技术和系统特刊的论文交易，用于可重新配置的设备和系统的开源工具
•美国西北大学SEDA OGRENCI•美国AMD的Stephen Neuendorffer•NHAN TRAN，美国费米拉布，美国•弗雷德里克·克乔尔斯塔德（Fredrik Kjolstad），美国斯坦福大学，美国•英国剑桥，德比亚斯·格罗瑟（Tobias Grosser）开源软件的流行率，以及对开源硬件的兴趣越来越多，可重新配置的技术在很大程度上是由专有的，封闭的工具提供的，这些工具与专有硬件架构紧密相关。鉴于这些工具和体系结构的复杂性，缺乏开放源解决方案历史上为该地区的教育，研究和创新带来了重大障碍。但是，最近，新的开源工具和方法涵盖了高水平合成和物理设计流的整个范围。在新型加速器体系结构支持机器学习的最新爆炸中，似乎正在重复类似的模式。尽管CPU和GPU体系结构的汇编通过大量开源项目（例如GCC和Clang/LLVM）支持了对新型Accelerator Architectures的支持，但尚未上游。本期特刊的目的是强调与可重构设备有关的开源软件和硬件技术的最新研究和开发，例如FPGA和CGRA，以及其他新型的加速器架构。它将包含涵盖广泛主题的文章，包括用于设计，优化，调试和机器学习的开源工具，针对从单个设备到分布式系统以及开源硬件和系统设计的广泛设计范围。本期特刊将成为嵌入式系统，计算机架构，设计自动化，特定领域的加速度和其他相关领域领域的研究人员，工程师和从业人员的宝贵资源，而感兴趣的主题包括但不限于以下开源解决方案：
Alex Gabriel、Rima Oulhaj、Laurent Dupont。开源点对点能源交易方法的探索性实施。第 27 届 ICE/IEEE 国际
二十多年来，控制电力行业的温室气体排放一直是欧盟 (EU) 关注的重点。气候变化限制了该行业大规模引入可再生能源。这些新能源主要是间歇性和局部性的。它给电网管理带来了额外的挑战。能源行业数字化的解决方案之一是部署智能电网。数字工具与电力公用事业的结合促成了新参与者和商业模式的出现，这些参与者和商业模式从经济上评估了减少温室气体排放和能源消耗的每一项贡献。十年来，欧盟各地的公司之间建立了一个新的能源市场，以促进商业竞争，并简化新型分布式发电的引入。2015 年，欧盟提倡自用 [1]，而 2019 年，一项新指令审查了内部电力市场的标准规则 [2]。
是AI的未来开源吗？数据驱动的方法。
抽象的大语言模型（LLM）在学术界和行业中都占据了中心地位。在讨论其可用性，准确性和社会影响的讨论中，人们对隐私，透明度及其在非法活动中的潜在滥用的关注日益加剧。这些辩论中的一个关键话题是LLM的可信度，特别是当有关模型是专有的时。一种经常提出的解决方案，以显着提高可信赖性，这是开源模型。但是，此选项具有重要的缺点，例如可以修改和滥用模型的非法应用程序，缺乏激励结构（主要是财务）来支持开放源代码和保护知识产权。另一方面，由于数据和计算资源要求，大多数LLM都受私营部门培训。这些成本很大，专有模型可以更好地定位以获得投资回报。在完全开源和专有之间的频谱上，还有其他方法。这些可以在很大程度上被分类为受许可，部分开放源（开放权重）模型保护的开源用法限制，在开源的陈旧模型版本的混合方法中，而具有市场价值的竞争性版本仍然专有。目前，关于频谱上应该在哪里应该落在何处的讨论仍然没有后卫，并且主要是在何处进行讨论的权衡。我们的目标是避免支持极端，而是提供数据，这些数据将支持行业专家和政策制定者的未来讨论。在本文中，我们通过编译有关LLM的开源开发的数据及其在改进，修改和方法方面的贡献，介绍了一种数据驱动的方法。我们的发现表明，假设性能指标代表了现实的模型性能，则开源社区可以显着有助于改善开源模型的表现。我们确定了开源贡献中的正模式，例如模型大小的显着降低，准确性降低。此外，我们确定了社区成长的模式以及从参与度中受益不成比例的体系结构。
SANDI-AMICO：使用 AMICO 进行快速体细胞和神经突密度成像 (SANDI) 的开源工具箱
DEIB，米兰理工大学 意大利米兰 Lisa Novello 心智/脑科学中心 - CIMeC，特伦托大学 意大利特伦托 Sara Bosticardo 维罗纳大学计算机科学系 意大利维罗纳 Jenna Hanmer 彼得·曼斯菲尔德爵士成像中心，诺丁汉大学医学院，诺丁汉，英国 Gabriel Ramos Llorde Athinoula A. Martinos 生物医学成像中心，麻省总医院，哈佛医学院 波士顿，马萨诸塞州 Chantal Tax CUBRIC，加的夫大学 | 图像科学研究所，乌得勒支大学医学中心 加的夫，英国 | 乌得勒支，荷兰 Andrada Ianus Champalimaud 研究，Champalimaud 未知中心 葡萄牙里斯本 Noam Shemesh Champalimaud 研究，Champalimaud 未知中心 葡萄牙里斯本 Emmanuel Caruyer 雷恩大学、法国国家科学研究院、法国国家信息和自动化研究所、法国雷恩国家健康与医学研究院维罗纳 意大利维罗纳 伦敦大学学院 Marco Palombo 医学图像计算中心 英国伦敦
QOSST：用于实验性连续变量量子密钥分发的高度模块化开源平台
量子密钥分发 (QKD) 使两个远程方能够以基于量子物理定律的信息论安全性进行密钥交换。将密钥信息编码为连续变量 (CV)，例如光相干态的正交分量的值，使实现更接近标准光通信系统，但这是以低信噪比操作所需的数字信号处理技术显著复杂为代价的。在这项工作中，我们希望通过提供高度模块化的开源软件来降低与此困难相关的 CV-QKD 实验的进入门槛，该软件原则上与硬件无关，可用于多种配置。我们使用带有本地生成的本地振荡器、频率复用导频和 RF 异差检测的实验装置对这个称为 QOSST 的软件进行了基准测试，并在渐近极限下获得了城域距离上 Mbit/s 数量级的最先进的密钥速率。我们希望 QOSST 能够用于促进 CV-QKD 的进一步实验进展，并由社区进行改进和扩展，以在各种配置中实现高性能。
开源大型语言模型 (LLM) 的优势与风险评估
• 校验和验证：根据加密校验和验证模型文件和嵌入。 • 安全模型供应链：使用受信任的存储库并验证开源模型的来源。 • 上下文毒害：确保响应来自准确和真实的数据 • 实时监控
用于量子化学的量子学习机 (QLM) 的开源变分量子特征求解器扩展
试图在大型系统上达到完全精确度显然面临着所谓的“指数墙”，这限制了最精确方法对更复杂的化学系统的适用性。到目前为止，用经典超级计算机执行的最大计算量也只包括数百亿个行列式 4 ，有 20 个电子和 20 个轨道，随着大规模并行超级计算机架构的进步，希望在不久的将来解决接近一万亿个行列式（24 个电子、24 个轨道）的问题。5 鉴于这些限制，必须使用其他类别的方法来近似更大的多电子系统的基态波函数。它们包括：(i) 密度泛函理论 (DFT)，它依赖于单个斯莱特行列式的使用，并且已被证明非常成功，但无法描述强关联系统 6 – 8 ； (ii) 后 Hartree - Fock 方法，例如截断耦合团簇 (CC) 和组态相互作用 (CI) 方法，即使在单个 Slater 行列式之外仍然可以操作，但由于大尺寸分子在 Slater 行列式方面的计算要求极高，因此不能应用于大尺寸分子。9 – 16 一个很好的例子是“黄金标准”方法，表示为耦合团簇单、双和微扰三重激发 CCSD(T)。事实上，CCSD(T) 能够处理几千个基函数，但代价是巨大的运算次数，而这受到大量数据存储要求的限制。17 无论选择哪种化学基组（STO-3G、6-31G、cc-pVDZ、超越等），这些方法都不足以对大分子得出足够准确的结果。 Feynman 18,19 提出的一种范式转变是使用量子计算机来模拟量子系统。这促使社区使用量子计算机来解决量子化学波函数问题。直观地说，优势来自于量子计算机可以比传统计算机处理“指数级”更多的信息。20 最近的评论提供了有关开发专用于量子化学的量子算法的策略的背景材料。这些方法包括量子相位估计（QPE）、变分量子特征值求解器（VQE）或量子虚时间演化（QITE）等技术。21 – 24 所有方法通常包括三个关键步骤：（i）将费米子汉密尔顿量和波函数转换为量子位表示；（ii）构建具有一和两量子位量子门的电路；（iii）使用电路生成相关波函数并测量给定汉密尔顿量的期望值。重要的是，目前可用的量子计算机仍然处于嘈杂的中型量子（NISQ）时代，并且受到两个主要资源的限制：